I en värld av programmering, datorer och artificiell intelligens är ett neuralt nätverk för bakåtpropagation helt enkelt ett slags artificiellt neuralt nätverk (ANN) som använder sig av bakåtpropagation. Backpropagation är en grundläggande och är en vanlig algoritm som instruerar en ANN hur man utför en given uppgift. Även om detta koncept kan verka förvirrande, och efter att ha tittat på de ekvationer som krävs under processen verkar helt främmande, är detta koncept, tillsammans med det kompletta neurala nätverket, ganska lätt att förstå.
För de som inte är bekanta med neurala nätverk är en ANN, eller helt enkelt en NN som står för ”neural network”, en matematisk modell som är mönstrad efter vissa egenskaper hos verkliga neurala nätverk, som de som finns i levande varelser. Den mänskliga hjärnan är det ultimata neurala nätverket vars funktion ger några ledtrådar om hur man kan förbättra strukturen och driften av artificiella NN. Som en mycket rudimentär hjärna har en ANN ett nätverk av sammankopplade artificiella neuroner som bearbetar information.
Det som är fascinerande med det är att en ANN kan anpassa och modifiera sin struktur vid behov, enligt informationen den får från omgivningen och inifrån nätverket. Det är en sofistikerad beräkningsmodell som använder icke-linjär statistisk dataanalys, och som kan tolka komplexa samband mellan data som indata och utdata. Det kan lösa problem som inte kan lösas med traditionella beräkningsmetoder.
Idén till ett neuralt nätverk för bakåtpropagation kom först år 1969 från Arthur E. Brysons och Yu-Chi Hos arbete. Under senare år förfinade andra programmerare och forskare idén. Från och med 1974 kom det neurala nätverket för bakåtpropagation att bli erkänt som ett innovativt genombrott i studien och skapandet av artificiella neurala nätverk.
Neural nätverksinlärning är en viktig uppgift inom en ANN som säkerställer att den fortsätter att kunna bearbeta data korrekt och därför utföra sin funktion korrekt. Ett neuralt nätverk för bakåtpropagation använder en generaliserad form av deltaregeln för att möjliggöra inlärning av neurala nätverk. Detta innebär att den använder sig av en lärare som kan beräkna de önskade uteffekterna av de vissa inmatningar som matas in i nätverket.
Med andra ord, ett neuralt nätverk för bakåtpropagation lär sig genom exempel. Programmeraren tillhandahåller en inlärningsmodell som visar vad den korrekta utgången skulle vara, givet en specifik uppsättning ingångar. Detta input-output exempel är läraren, eller modellen, som andra delar av nätverket kan mönstra efterföljande beräkningar efter.
Hela processen fortskrider metodiskt i uppmätta intervall. Givet en bestämd uppsättning ingångar, tillämpar ANN beräkningen som lärts från modellen för att komma fram till en initial utdata. Den jämför sedan denna utdata med den ursprungligen kända, förväntade eller bra utdata och gör justeringar efter behov. I processen beräknas ett felvärde. Detta sprids sedan fram och tillbaka genom det neurala nätverket för bakåtpropagation tills bästa möjliga utdata bestäms.